Eliminación de ruido como Adaptación: Adaptación de Dominio de Espacio de Ruido para Restauración de Imágenes

Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration

June 26, 2024

Autores: Kang Liao, Zongsheng Yue, Zhouxia Wang, Chen Change Loy

cs.AI

Resumen

Aunque los métodos de restauración de imágenes basados en aprendizaje han avanzado significativamente, aún enfrentan dificultades en la generalización limitada a escenarios del mundo real debido a la brecha de dominio sustancial causada por el entrenamiento en datos sintéticos. Los métodos existentes abordan este problema mejorando los flujos de síntesis de datos, estimando núcleos de degradación, empleando aprendizaje interno profundo y realizando adaptación de dominio y regularización. Los métodos previos de adaptación de dominio han buscado reducir la brecha de dominio mediante el aprendizaje de conocimientos invariables al dominio en el espacio de características o píxeles. Sin embargo, estas técnicas a menudo tienen dificultades para extenderse a tareas de visión de bajo nivel dentro de un marco estable y compacto. En este documento, mostramos que es posible realizar adaptación de dominio a través del espacio de ruido utilizando modelos de difusión. En particular, al aprovechar la propiedad única de cómo las entradas condicionales auxiliares influyen en el proceso de eliminación de ruido de múltiples pasos, derivamos una pérdida de difusión significativa que guía al modelo de restauración en alinear progresivamente tanto las salidas restauradas sintéticas como del mundo real con una distribución limpia objetivo. Nos referimos a este método como adaptación mediante eliminación de ruido. Para evitar atajos durante el entrenamiento conjunto, presentamos estrategias cruciales como la capa de reordenamiento de canales y el aprendizaje contrastivo de intercambio residual en el modelo de difusión. Estas difuminan implícitamente los límites entre datos sintéticos condicionados y reales y evitan la dependencia del modelo en características fácilmente distinguibles. Los resultados experimentales en tres tareas clásicas de restauración de imágenes, a saber, eliminación de ruido, desenfoque y eliminación de lluvia, demuestran la efectividad del método propuesto.

English

Although learning-based image restoration methods have made significant progress, they still struggle with limited generalization to real-world scenarios due to the substantial domain gap caused by training on synthetic data. Existing methods address this issue by improving data synthesis pipelines, estimating degradation kernels, employing deep internal learning, and performing domain adaptation and regularization. Previous domain adaptation methods have sought to bridge the domain gap by learning domain-invariant knowledge in either feature or pixel space. However, these techniques often struggle to extend to low-level vision tasks within a stable and compact framework. In this paper, we show that it is possible to perform domain adaptation via the noise space using diffusion models. In particular, by leveraging the unique property of how auxiliary conditional inputs influence the multi-step denoising process, we derive a meaningful diffusion loss that guides the restoration model in progressively aligning both restored synthetic and real-world outputs with a target clean distribution. We refer to this method as denoising as adaptation. To prevent shortcuts during joint training, we present crucial strategies such as channel-shuffling layer and residual-swapping contrastive learning in the diffusion model. They implicitly blur the boundaries between conditioned synthetic and real data and prevent the reliance of the model on easily distinguishable features. Experimental results on three classical image restoration tasks, namely denoising, deblurring, and deraining, demonstrate the effectiveness of the proposed method.